การเปรียบเทียบประสิทธิภาพในการทำนายผลค่านอกเกณฑ์ด้วยการจำแนก 6 วิธี
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษานี้เป็นการเปรียบเทียบประสิทธิภาพในการทำนายผลค่านอกเกณฑ์ด้วยการจำแนก 6 วิธี วิธีการจำแนกที่นำมาเปรียบเทียบ คือ วิธีเพื่อนบ้านใกล้สุด k ตัว วิธีโครงข่ายประสาทเทียม วิธีฐานกฎ วิธีการถดถอยลอจิสติกทวิภาค วิธีเพอร์เซปตรอนให้คะแนน และวิธีลาดลงสโตแคสติก โดยมีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพวิธีการจำแนก 6 วิธี และเปรียบเทียบประสิทธิภาพของโปรแกรม SPSS, MINITAB และ WEKA การเปรียบเทียบประสิทธิภาพจะใช้ค่าความถูกต้อง ค่าคลาดเคลื่อนกำลังสองเฉลี่ย และค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ย การเปรียบเทียบชุดข้อมูลที่มีค่านอกเกณฑ์อยู่ในระดับต่ำ (ร้อยละ 0-3) คือ การตรวจสอบธนบัตร วิธีที่มีประสิทธิภาพสูงสุด คือ วิธีลาดลงสโตแคสติกโดยการสุ่มตัวอย่างด้วยโปรแกรม WEKA ชุดข้อมูลที่มีค่านอกเกณฑ์อยู่ในระดับปานกลาง (ร้อยละ 3-6) คือ การชี้ตัวในเฟสบุ๊ค วิธีที่มีประสิทธิภาพสูงสุด คือ วิธีเพื่อนบ้านใกล้สุด k ตัว โดยการสุ่มตัวอย่างด้วยโปรแกรม WEKA ส่วนชุดข้อมูลที่มีค่านอกเกณฑ์อยู่ในระดับสูง (ร้อยละ 6-10) คือ การเลือกวิธีการคุมกำเนิด วิธีที่มีประสิทธิภาพสูงสุด คือ วิธีโครงข่ายประสาทเทียมโดยการสุ่มตัวอย่างด้วยโปรแกรม WEKA
Article Details
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของคณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยธรรมศาสตร์ ข้อความที่ปรากฏในแต่ละเรื่องของวารสารเล่มนี้เป็นเพียงความเห็นส่วนตัวของผู้เขียน ไม่มีความเกี่ยวข้องกับคณะวิทยาศาสตร์และเทคโนโลยี หรือคณาจารย์ท่านอื่นในมหาวิทยาลัยธรรมศาสตร์ ผู้เขียนต้องยืนยันว่าความรับผิดชอบต่อทุกข้อความที่นำเสนอไว้ในบทความของตน หากมีข้อผิดพลาดหรือความไม่ถูกต้องใด ๆ
เอกสารอ้างอิง
กัลยา วานิชย์บัญชา, 2552, การวิเคราะห์ข้อมูลหลายตัวแปร, บริษัทธรรมสาร จำกัด, กรุงเทพฯ.
ณัฐวุฒิ ศรีวิบูลย์, การเปรียบเทียบประสิทธิภาพอัลกอริทึมเหมืองข้อมูลเพื่อวิเคราะห์ปัจจัยที่ส่งผลต่อการเกิดโรคมะเร็ง, แหล่งที่มา : http://snrujst.snru.ac.th/th/articles-in-press, 25 ตุลาคม 2560.
ทิพย์ธิดา วงศ์พิพันธ์, 2555, การใช้เหมืองข้อมูลช่วยในการตัดสินใจการให้สินเชื่อ, วิทยานิพนธ์ปริญญาโท, มหาวิทยาลัยธุรกิจบัณฑิตย์, กรุงเทพฯ.
ธนาวุฒิ ประกอบผล, 2552, โครงข่ายประสาทเทียม, ว.มฉก.วิชาการ 12(24): 73-87.
นิเวศ จิระวิชิตชัย, การค้นหาเทคนิคเหมืองข้อมูลเพื่อสร้างโมเดลการวิเคราะห์โรคอัตโนมัติ, แหล่งที่มา : http://www.ssruir.ssru.ac.th/bit stream/ssruir/377/1/080-53.pdf, 25 ตุลาคม 2560.
พนิดา สมบัติมาก, ภัสสร จันทร์หอม, ศุภกร รัศมี และโอฬาร รุ่งมณีธรรมคุณ, 2560, การเปรียบเทียบประสิทธิภาพในการจำแนกกลุ่มเมื่อข้อมูลมีค่านอกเกณฑ์ในการทำเหมืองข้อมูล, ปัญหาพิเศษปริญญาตรี, สถาบันเทคโนโลยีพระจอมเกล้าคุณทหารลาดกระบัง, กรุงเทพฯ.
พยูน พาณิชย์กุล, 2548, การพัฒนาระบบดาต้าไมน์นิ่งโดยใช้ Decision Tree, วิทยานิพนธ์ปริญญาโท, สถาบันเทคโนโลยีพระจอมเกล้าคุณทหารลาดกระบัง, กรุงเทพฯ.
วรพรรณ เจริญขำ, 2556, การตรวจสอบค่านอกเกณฑ์ในตัวอย่างสุ่มจากประชากรปรกติ, วิทยานิพนธ์ปริญญาโท, สถาบันบัณฑิตพัฒน บริหารศาสตร์, กรุงเทพฯ.
สายชล สินสมบูรณ์ทอง, 2560, การทำเหมืองข้อมูล เล่ม 1 : การค้นหาความรู้จากข้อมูล, พิมพ์ครั้งที่ 2, จามจุรีโปรดักส์ จำกัด, กรุงเทพฯ.
สุรวัชร ศรีเปารยะ และสายชล สินสมบูรณ์ทอง, 2560, การเปรียบเทียบประสิทธิภาพวิธีการจำแนกกลุ่มการเป็นโรคไตเรื้อรัง : กรณีศึกษาโรงพยาบาลแห่งหนึ่งในประเทศอินเดีย, ว.วิทยาศาสตร์และเทคโนโลยี 25(5): 839-853.
เดช ธรรมศิริ และพยุง มีสัจ, 2553, การจำแนกข้อมูลด้วยเทคนิคซัพพอร์ตเวกเตอร์แมชชีนโดยการปรับพารามิเตอร์และเลือกคุณลักษณะที่เหมาะสมด้วยขั้นตอนวิธีเชิงพันธุกรรม, 12 น., ใน รายงานการประชุมทางวิชาการเสนอผลงานวิจัย ระดับบัณฑิตศึกษา ครั้งที่ 11, มหาวิทยาลัยขอนแก่น, ขอนแก่น.
เดช ธรรมศิริ, วาทินี นุ้ยเพียร, ภัทราวุฒิ แสงศิริ, ภรัณยา อำมฤครัตน์, ณรงค์ โพธิ และพยุง มีสัจ, 2552, การให้คะแนนสินเชื่อโดยวิธีการทำเหมืองข้อมูลด้วยเทคนิคซับพอร์ตเวกเตอร์แมชชีนรวมทั้งการเลือกใช้ลักษณะที่เหมาะสมร่วมกับการหาค่าพารามิเตอร์ที่เหมาะสมด้วยวิธีค้นหาแบบกริช, น.11, ใน การประชุมวิชา การระดับชาติด้านคอมพิวเตอร์และเทคโนโลยีสารสนเทศ (NCCIT) ครั้งที่ 5, มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ, กรุงเทพฯ.
Berson, A. and Smith, S.J., 1997, Data Warehousing, Data Mining and OLAP, McGraw-Hll, New York.
Freund, Y. and Schapire, R.E., 1998, Large Margin Classification Using the Perceptron Algorithms, NCCLT, New York, 13 p.
Hagan, M., Demuth, H., and Beale, M., 1996, Neural Network Design, Martin T. Hagan,
Oklahoma.
LeCun, Y., Bottou, L., Orr, G. and Muller, K., Efficiency BackProp, In Neural Networks, Available Source: https://scholar.google.co.th/scholar?q=LeCun,+Y.+and+Bottou,+L.&hl=th&as_sdt=o&as_vis=1&oi=scholart#d=gs_qabs&u=%23p%3DQzVcWsIB3yQJ, January 20, 2018.
Murti, S. and Mahantappa, M., Using Rule Based Classifiers for the Predictive Analysis of Breast Cancer Recurrence, Available Source: https://archive.ics.uci.edu/ml/datasets/pima+indians+diabetes, February 1, 2018.
Nektarios, T.G., Weka Classify Summary, Athens University of Economics and Business, Available Source: https://www.academia.edu/5167325/Weka_Classifiers_Summary, January 20, 2018.
Priya, R. and Aruna, P., 2012, Support vector machine and neural network based diagnosis of diabetic retinopathy, Int. J. Comput. Appl. 41: 15-27.
Sa-ngasoongsong, A. and Chongwatpol, J., 2012, An Analysis of Diabetes Risk Factors using Data Mining Approach, Oklahoma State University, Stillwater, 11 p.
Singh, S. and Bansal, M., 2013, Improvement of intrusion detection system in data mining using neural network, Int. J. Adv. Res. Comput. Sci. Software Eng. 3: 1124-1130.
Troyanskaya, O., Cantor, M., Sherlock, G., Brown, P., Hastie, T., Tibshirani, R., Botstein, D. and Altman, R.B., 2001, Missing value estimation methods for DNA microarrays, Bionformatics 17: 520-525.
